LAPRAN：一种用于灵活压缩感知重建的可扩展拉普拉斯金字塔重建对抗网络
计算机视觉与模式识别
2018-11-06 v3 人工智能
机器学习
摘要
本文解决单图像压缩感知（CS）与重建问题。我们提出了一种可扩展的拉普拉斯金字塔重建对抗网络（LAPRAN），能够实现高保真、灵活且快速的CS图像重建。LAPRAN遵循拉普拉斯金字塔的概念，通过多个阶段的重建对抗网络（RANs）逐步重建图像。在每个金字塔层级，CS测量值与上下文潜在向量相融合以生成高频图像残差。因此，LAPRAN能够产生分层的重建图像，且每一层都具有递增的分辨率和改善的质量。LAPRAN的可扩展金字塔结构实现了高保真CS重建，并具有适应广泛压缩比（CRs）的灵活分辨率，这是现有方法无法做到的。在多个公开数据集上的实验结果表明，与基于模型的基线相比，LAPRAN平均提供7.47dB和5.98dB的PSNR提升，以及平均57.93%和33.20%的SSIM提升；与数据驱动的基线相比亦然。
引用
@article{arxiv.1807.09388,
title = {LAPRAN: A Scalable Laplacian Pyramid Reconstructive Adversarial Network for Flexible Compressive Sensing Reconstruction},
author = {Kai Xu and Zhikang Zhang and Fengbo Ren},
journal= {arXiv preprint arXiv:1807.09388},
year = {2018}
}
备注
ECCV 2018